Penyakit liver, terutama sirosis hati dan hepatosis non-alkoholik, merupakan masalah kesehatan global yang signifikan dengan tingkat morbiditas dan mortalitas yang tinggi. Dalam upaya untuk meningkatkan deteksi dini dan manajemen penyakit liver, penelitian ini menggunakan dataset Indian Liver Patient yang mencakup fitur klinis yang relevan untuk memprediksi kehadiran atau absennya penyakit liver. Dataset ini merupakan dataset yang tidak seimbang yang mana pasien yang terdiagnosa penyakit liver berjumlah 414 dan pasien yang tidak terdiagnosa penyakit liver berjumlah 165, Kami menerapkan metode LightGBM, sebuah algoritma pembelajaran mesin yang efisien dan kuat, untuk membangun model prediksi. Evaluasi kinerja model dilakukan menggunakan Area Under the Curve (AUC) dari kurva Receiver Operating Characteristic (ROC), yang memberikan ukuran keseluruhan dari kemampuan model dalam memisahkan kelas positif dan negatif. Hasil eksperimen kami menunjukkan bahwa model LightGBM mencapai AUC sebesar 0,71, menunjukkan kinerja yang cukup baik dalam memprediksi penyakit liver. Temuan ini menunjukkan potensi LightGBM sebagai alat bantu dalam deteksi dini dan manajemen penyakit liver, serta menyoroti pentingnya penggunaan metode pembelajaran mesin dalam pemrosesan data medis yang kompleks.